Modelos predictivos de ingreso a la unidad de cuidados intensivos en pacientes con covid-19: revisión sistemática.

Autores/as

  • Alex Castañeda-Sabogal Escuela de Postgrado, Facultad de Medicina, Universidad Privada Antenor Orrego, Trujillo, Perú.
  • Paola Rivera-Ramírez Escuela de Postgrado, Facultad de Medicina, Universidad Privada Antenor Orrego, Trujillo, Perú.
  • Saúl Espinoza-Rivera Escuela de Postgrado, Facultad de Medicina, Universidad Privada Antenor Orrego, Trujillo, Perú.
  • Darwin A. León-Figueroa Facultad de Medicina, Universidad de San Martín de Porres, Chiclayo, Perú
  • Emilly Moreno-Ramos Unidad de Revisiones Sistemáticas y Meta-análisis, Universidad San Ignacio de Loyola, Lima, Perú
  • Joshuan J. Barboza Vicerrectorado de Investigación, Universidad Norbert Wiener, Lima, Perú

DOI:

https://doi.org/10.35434/rcmhnaaa.2022.15Supl.%201.1402

Palabras clave:

Modelos predictivos, COVID-19, Unidad de cuidados intensivos, Predicción, Revisión sistemática

Resumen

Introducción: Es fundamental identificar las características epidemiológicas y clínicas de los pacientes infectados con COVID-19, asociadas a una progresión de la enfermedad que conlleva al ingreso a UCI. El objetivo fue revisar sistemáticamente los modelos o scores de predicción de ingreso a la unidad de cuidados intensivos (UCI) disponibles a la fecha para pacientes con COVID-19.

Métodos: El estudio es una revisión sistemática. Se hicieron búsquedas en PubMed, Scopus, Web of Science, Ovid-Medline, y Embase hasta el 13 de Julio del 2022. Se incluyeron estudios que hayan desarrollado y validado un modelo o sistema de puntuación para predecir el ingreso a la UCI en pacientes con COVID-19. El desenlace primario fue el ingreso a la UCI. La evaluación del riesgo de sesgo se realizó utilizando la herramienta PROBAST que se basa en cuatro dominios: participantes, predictores, desenlace y análisis.

Resultados: Se incluyeron dos estudios para la extracción de datos y la evaluación crítica. Se obtuvo como desenlaces primarios los modelos predictivos de ingreso a la UCI y su rendimiento. Los predictores comunes para ambos modelos se asociaron con el compromiso pulmonar (frecuencia respiratoria o ventilación pulmonar) y la inflamación sistémica (proteína C reactiva).

Conclusiones: Es factible determinar variables predictoras de ingreso a UCI en los pacientes hospitalizados por COVID-19. Sin embargo; los estudios no determinan un score claramente definido y presentan un alto riesgo de sesgo, por lo que no es factible recomendar la aplicación de alguno de estos modelos en la práctica clínica.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Biografía del autor/a

Alex Castañeda-Sabogal, Escuela de Postgrado, Facultad de Medicina, Universidad Privada Antenor Orrego, Trujillo, Perú.

1. Médico Cirujano Colegiado, Especialista en Enfermedades Infecciosas y Tropicales.

Paola Rivera-Ramírez, Escuela de Postgrado, Facultad de Medicina, Universidad Privada Antenor Orrego, Trujillo, Perú.

1. Bióloga, Doctora en investigación clínica y traslacional.

Saúl Espinoza-Rivera, Escuela de Postgrado, Facultad de Medicina, Universidad Privada Antenor Orrego, Trujillo, Perú.

1. Médico General.

Darwin A. León-Figueroa, Facultad de Medicina, Universidad de San Martín de Porres, Chiclayo, Perú

1. Estudiante de Medicina Humana

Emilly Moreno-Ramos, Unidad de Revisiones Sistemáticas y Meta-análisis, Universidad San Ignacio de Loyola, Lima, Perú

1. Licenciada en Enfermería

Joshuan J. Barboza, Vicerrectorado de Investigación, Universidad Norbert Wiener, Lima, Perú

1. Doctor en Investigación Clínica y Traslacional

Citas

Wynants L, Van Calster B, Collins GS, Riley RD, Heinze G, Schuit E, et al. Prediction models for diagnosis and prognosis of covid-19: systematic review and critical appraisal. BMJ. 7 de abril de 2020;369:m1328. doi: 10.1136/bmj.m1328

Dofferhoff ASM, Swinkels A, Sprong T, Berk Y, Spanbroek M, Nabuurs-Franssen MH, et al. [Diagnostic algorithm for COVID-19 at the ER]. Ned Tijdschr Geneeskd. 14 de mayo de 2020;164:D5042. PMID: 32406638

Ihle-Hansen H, Berge T, Tveita A, Rønning EJ, Ernø PE, Andersen EL, et al. COVID-19: Symptoms, course of illness and use of clinical scoring systems for the first 42 patients admitted to a Norwegian local hospital. Tidsskr Den Nor Laegeforening Tidsskr Prakt Med Ny Raekke. 5 de mayo de 2020;140(7). doi: 10.4045/tidsskr.20.0301

Information on COVID-19 Treatment, Prevention and Research [Internet]. COVID-19 Treatment Guidelines. [citado 17 de marzo de 2022]. Disponible en: https://www.covid19treatmentguidelines.nih.gov/

Li K, Wu J, Wu F, Guo D, Chen L, Fang Z, et al. The Clinical and Chest CT Features Associated With Severe and Critical COVID-19 Pneumonia. Invest Radiol. junio de 2020;55(6):327-31. doi: 10.1097/rli.0000000000000672

Gilbert AW, Billany JCT, Adam R, Martin L, Tobin R, Bagdai S, et al. Rapid implementation of virtual clinics due to COVID-19: report and early evaluation of a quality improvement initiative. BMJ Open Qual. mayo de 2020;9(2):e000985. doi: 10.1136/bmjoq-2020-000985

Zhou F, Yu T, Du R, Fan G, Liu Y, Liu Z, et al. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study. Lancet Lond Engl. 28 de marzo de 2020;395(10229):1054-62. doi: 10.1016/s0140-6736(20)30566-3

Sun Y, Koh V, Marimuthu K, Ng OT, Young B, Vasoo S, et al. Epidemiological and Clinical Predictors of COVID-19. Clin Infect Dis Off Publ Infect Dis Soc Am. 28 de julio de 2020;71(15):786-92. doi: 10.1093/cid/ciaa322

Wolff RF, Moons KGM, Riley RD, Whiting PF, Westwood M, Collins GS, et al. PROBAST: A Tool to Assess the Risk of Bias and Applicability of Prediction Model Studies. Ann Intern Med. 1 de enero de 2019;170(1):51-8. doi: 10.7326/M18-1376

Gong J, Ou J, Qiu X, Jie Y, Chen Y, Yuan L, et al. A Tool for Early Prediction of Severe Coronavirus Disease 2019 (COVID-19): A Multicenter Study Using the Risk Nomogram in Wuhan and Guangdong, China. Clin Infect Dis Off Publ Infect Dis Soc Am. 28 de julio de 2020;71(15):833-40. doi: 10.1093/cid/ciaa443

Huang H, Cai S, Li Y, Li Y, Fan Y, Li L, et al. Prognostic Factors for COVID-19 Pneumonia Progression to Severe Symptoms Based on Earlier Clinical Features: A Retrospective Analysis. Front Med. 2020;7:557453. doi: 10.3389/fmed.2020.557453

Sperrin M, Grant SW, Peek N. Prediction models for diagnosis and prognosis in Covid-19. BMJ. 14 de abril de 2020;369:m1464. doi: 10.1136/bmj.m1464

Surme S, Buyukyazgan A, Bayramlar OF, et al. Predictors of Intensive Care Unit Admission or Mortality in Patients with Coronavirus Disease 2019 Pneumonia in Istanbul, Turkey. Jpn J Infect Dis. 2021;74(5):458-464. doi:10.7883/yoken.JJID.2020.1065

Covino M, Sandroni C, Santoro M, et al. Predicting intensive care unit admission and death for COVID-19 patients in the emergency department using early warning scores. Resuscitation. 2020;156:84-91. doi:10.1016/j.resuscitation.2020.08.124

Burian E, Jungmann F, Kaissis GA, et al. Intensive Care Risk Estimation in COVID-19 Pneumonia Based on Clinical and Imaging Parameters: Experiences from the Munich Cohort. J Clin Med. 2020;9(5):1514. Published 2020 May 18. doi:10.3390/jcm9051514

Cheng FY, Joshi H, Tandon P, et al. Using Machine Learning to Predict ICU Transfer in Hospitalized COVID-19 Patients. J Clin Med. 2020;9(6):1668. Published 2020 Jun 1. doi:10.3390/jcm9061668

Publicado

25-09-2022

Cómo citar

1.
Castañeda-Sabogal A, Rivera-Ramírez P, Espinoza-Rivera S, León-Figueroa DA, Moreno-Ramos E, Barboza JJ. Modelos predictivos de ingreso a la unidad de cuidados intensivos en pacientes con covid-19: revisión sistemática. Rev. Cuerpo Med. HNAAA [Internet]. 25 de septiembre de 2022 [citado 30 de noviembre de 2022];15(Supl. 1). Disponible en: http://cmhnaaa.org.pe/ojs/index.php/rcmhnaaa/article/view/1402

Artículos recomendados

1 2 > >>